【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估，具體涉及基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)。
技術(shù)介紹
1、隨著科技的飛速發(fā)展，人工智能技術(shù)已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域，為現(xiàn)代社會(huì)帶來(lái)了前所未有的變革。在游藝設(shè)備行業(yè)，ai技術(shù)的應(yīng)用也逐漸增多，尤其是在安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控方面，ai技術(shù)發(fā)揮著越來(lái)越重要的作用。
2、傳統(tǒng)的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控主要依賴于人工巡檢和定期維護(hù)，這種方式不僅效率低下，而且容易因?yàn)槿藶橐蛩貙?dǎo)致疏漏和誤判。此外，游藝設(shè)備在運(yùn)行過(guò)程中，其狀態(tài)是實(shí)時(shí)變化的，傳統(tǒng)的監(jiān)控方式很難做到實(shí)時(shí)響應(yīng)和精準(zhǔn)預(yù)測(cè)。
3、為解決以上的問(wèn)題，亟需一種基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)：至少解決現(xiàn)有方案中因依賴于人工巡檢和定期維護(hù)對(duì)游藝設(shè)備進(jìn)行安全風(fēng)險(xiǎn)評(píng)估時(shí)帶來(lái)的安全風(fēng)險(xiǎn)評(píng)估準(zhǔn)確率低和對(duì)游藝設(shè)備監(jiān)控難以實(shí)時(shí)響應(yīng)的問(wèn)題。
2、本專利技術(shù)的目的可以通過(guò)以下技術(shù)方案實(shí)現(xiàn)：
3、基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，系統(tǒng)包括第一風(fēng)險(xiǎn)評(píng)估模塊、第二風(fēng)險(xiǎn)評(píng)估模塊和監(jiān)控模塊；
4、第一風(fēng)險(xiǎn)評(píng)估模塊用于獲取游藝設(shè)備的數(shù)據(jù)集d，并對(duì)數(shù)據(jù)集d使用結(jié)構(gòu)分的增益來(lái)進(jìn)行樹(shù)的分裂，并通過(guò)擬合殘差的方式形成多棵樹(shù)，對(duì)每棵樹(shù)的每個(gè)葉子節(jié)點(diǎn)使用邏輯回歸，得到n個(gè)邏輯回歸模型，其中，n為游藝設(shè)備信息的個(gè)數(shù)，每臺(tái)游藝設(shè)備對(duì)應(yīng)一個(gè)游藝設(shè)備信息；
5、第二
6、監(jiān)控模塊用于對(duì)風(fēng)險(xiǎn)評(píng)估結(jié)果進(jìn)行解析，得到解析結(jié)果，并依據(jù)解析結(jié)果進(jìn)行預(yù)警。
7、進(jìn)一步地，在獲取游藝設(shè)備的數(shù)據(jù)集d之前，系統(tǒng)對(duì)游藝設(shè)備信息預(yù)處理生成數(shù)據(jù)集d：
8、通過(guò)數(shù)據(jù)清洗和主成分分析法對(duì)游藝設(shè)備信息選取特征，對(duì)部分缺失值的游藝設(shè)備信息使用特殊標(biāo)簽作為標(biāo)記，對(duì)少量缺失的游藝設(shè)備信息使用平均值進(jìn)行補(bǔ)充，對(duì)于標(biāo)簽型的數(shù)據(jù)，缺失超過(guò)80％以上的特征選擇刪除該特征,得到設(shè)備制造水平、設(shè)備維護(hù)頻率、設(shè)備參保種類和設(shè)備維護(hù)人員經(jīng)驗(yàn)水平四個(gè)特征，并對(duì)設(shè)備制造水平、設(shè)備維護(hù)頻率、設(shè)備參保種類、設(shè)備維護(hù)人員經(jīng)驗(yàn)水平進(jìn)行數(shù)據(jù)類型定義：設(shè)備制造水平、設(shè)備維護(hù)人員經(jīng)驗(yàn)水平采用百分?jǐn)?shù)類型，設(shè)備維護(hù)頻率采用浮點(diǎn)數(shù)類型、設(shè)備參保種類采用正整數(shù)類型，基于定義后的數(shù)據(jù)類型生成數(shù)據(jù)集d。
9、進(jìn)一步地，數(shù)據(jù)集d使用結(jié)構(gòu)分的增益來(lái)進(jìn)行樹(shù)的分裂，并通過(guò)擬合殘差的方式形成多棵樹(shù)，對(duì)每棵樹(shù)的每個(gè)葉子節(jié)點(diǎn)使用邏輯回歸，得到n個(gè)邏輯回歸模型具體包括以下過(guò)程：
10、通過(guò)訓(xùn)練數(shù)據(jù)集d迭代訓(xùn)練得到k棵樹(shù)；
11、將泰勒公式作為目標(biāo)函數(shù)的近似，通過(guò)泰勒式的二階展開(kāi)得到對(duì)于第t棵樹(shù)的目標(biāo)函數(shù)，其中，t∈k：
12、將交叉熵?fù)p失函數(shù)作為損失函數(shù)l，基于損失函數(shù)l得到目標(biāo)函數(shù)l：
13、
14、其中，其中μ、γ為預(yù)設(shè)參數(shù)，t為葉子節(jié)點(diǎn)的數(shù)量；
15、計(jì)算第t棵樹(shù)中第i個(gè)樣本的損失函數(shù)的一階梯度gi：
16、
17、其中，l(yi，yt-1)表示關(guān)于yi、yt-1的函數(shù)表達(dá)式，fk(xi)為第i個(gè)樣本在第k棵樹(shù)上的權(quán)值，yt-1表示第t-1棵樹(shù)的參考值；
18、計(jì)算第t棵樹(shù)中第i個(gè)樣本的損失函數(shù)的二階梯度hi：
19、
20、將一階梯度gi、二階梯度hi代入目標(biāo)函數(shù)l得到最終目標(biāo)函數(shù)：
21、
22、對(duì)最終目標(biāo)函數(shù)ωj的導(dǎo)數(shù)得到樹(shù)的結(jié)構(gòu)分，用gj代替hj代替
23、
24、將結(jié)構(gòu)分的差值評(píng)價(jià)樹(shù)在經(jīng)過(guò)分裂前后的增益，樹(shù)將以結(jié)構(gòu)分增大最多的方式分裂，結(jié)構(gòu)分增益計(jì)算公式如下：
25、
26、其中，gl、gr分別代表了分裂后左右子樹(shù)的一階導(dǎo)數(shù)之和，hl、hr代表分裂后左右子樹(shù)的二階導(dǎo)數(shù)之和；
27、按照gain最大的方式分裂k棵樹(shù)得到n個(gè)邏輯回歸模型。
28、進(jìn)一步地，第二風(fēng)險(xiǎn)評(píng)估模塊用于將n個(gè)邏輯回歸模型代入adaboost算法得到風(fēng)險(xiǎn)評(píng)估結(jié)果具體包括以下過(guò)程：
29、對(duì)于第s個(gè)邏輯回歸模型設(shè)定一個(gè)初始權(quán)重，選定的弱分類器集合為x，獲取當(dāng)前迭代次數(shù)v，在弱分類器集合x(chóng)選取誤差率最低的弱分類器作為第個(gè)v基本分類器，得到弱分類器在該輪迭代次數(shù)v訓(xùn)練中訓(xùn)練樣本的權(quán)值分布上誤差值，誤差值為被該弱分類器誤分類樣本的權(quán)值的和ev，通過(guò)誤差值計(jì)算該弱分類器在集合成的強(qiáng)分類器中的權(quán)重β，其中，β的表達(dá)式為：依據(jù)權(quán)重β、初始權(quán)重更新所有邏輯回歸模型的權(quán)值，依據(jù)邏輯回歸模型的權(quán)值對(duì)比風(fēng)險(xiǎn)評(píng)估結(jié)果列表，得到風(fēng)險(xiǎn)評(píng)估結(jié)果，其中，風(fēng)險(xiǎn)評(píng)估結(jié)果列表為預(yù)設(shè)的風(fēng)險(xiǎn)評(píng)估結(jié)果集合，每一個(gè)風(fēng)險(xiǎn)評(píng)估結(jié)果對(duì)應(yīng)一個(gè)權(quán)值區(qū)間，依據(jù)權(quán)值和權(quán)值區(qū)間確定風(fēng)險(xiǎn)評(píng)估結(jié)果。
30、進(jìn)一步地，按照gain最大的方式分裂棵樹(shù)得到n個(gè)邏輯回歸模型具體包括以下過(guò)程：
31、對(duì)于第t棵樹(shù)，遍歷所有特征并計(jì)算當(dāng)前特征中最大gain值所對(duì)應(yīng)的劃分閾值，并判斷該特征是否在該節(jié)點(diǎn)的祖先節(jié)點(diǎn)中作為分裂特征使用過(guò)，如果使用過(guò)則選取除去該特征以外最大的gain值所對(duì)應(yīng)的特征作為分裂特征，在達(dá)到每棵樹(shù)的最大深度或者沒(méi)有可以獲得更大結(jié)構(gòu)分的分裂時(shí)結(jié)束這棵樹(shù)的生長(zhǎng)，將該樹(shù)的殘差輸入到下一棵樹(shù)中，并且對(duì)每個(gè)葉子節(jié)點(diǎn)上的樣本進(jìn)行邏輯回歸訓(xùn)練，得到n個(gè)邏輯回歸模型。
32、進(jìn)一步地，監(jiān)控模塊用于對(duì)風(fēng)險(xiǎn)評(píng)估結(jié)果進(jìn)行解析，得到解析結(jié)果，并依據(jù)解析結(jié)果進(jìn)行預(yù)警具體還包括以下過(guò)程：
33、監(jiān)控模塊接收風(fēng)險(xiǎn)評(píng)估結(jié)果并通過(guò)對(duì)比歷史數(shù)據(jù)、行業(yè)標(biāo)準(zhǔn)以及專家意見(jiàn)，判斷當(dāng)前游藝設(shè)備的安全狀況，并識(shí)別出存在的風(fēng)險(xiǎn)點(diǎn)，對(duì)于高風(fēng)險(xiǎn)點(diǎn)，觸發(fā)預(yù)警機(jī)制，通過(guò)聲光告警、語(yǔ)音提示向管理人員和操作人員發(fā)出警報(bào)。
34、相比于現(xiàn)有方案，本專利技術(shù)實(shí)現(xiàn)的有益效果：
35、本專利技術(shù)的系統(tǒng)通過(guò)獲取游藝設(shè)備的數(shù)據(jù)集d，并對(duì)數(shù)據(jù)集d使用結(jié)構(gòu)分的增益來(lái)進(jìn)行樹(shù)的分裂，并通過(guò)擬合殘差的方式形成多棵樹(shù)，對(duì)每棵樹(shù)的每個(gè)葉子節(jié)點(diǎn)使用邏輯回歸，得到n個(gè)邏輯回歸模型，其中，n為游藝設(shè)備信息的個(gè)數(shù)，每臺(tái)游藝設(shè)備對(duì)應(yīng)一個(gè)游藝設(shè)備信息；將n個(gè)邏輯回歸模型代入adaboost算法得到風(fēng)險(xiǎn)評(píng)估結(jié)果；對(duì)風(fēng)險(xiǎn)評(píng)估結(jié)果進(jìn)行解析，得到解析結(jié)果，并依據(jù)解析結(jié)果進(jìn)行預(yù)警。
36、一方面，利用深度學(xué)習(xí)算法對(duì)游藝設(shè)備信息進(jìn)行處理和分析，能夠擺脫人工巡檢和定期維護(hù)對(duì)游藝設(shè)備進(jìn)行安全風(fēng)險(xiǎn)評(píng)估帶來(lái)的安全風(fēng)險(xiǎn)，提高安全風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性。
37、另一方面，本專利技術(shù)通過(guò)實(shí)時(shí)監(jiān)控能夠?qū)崿F(xiàn)對(duì)游藝設(shè)備的監(jiān)控和精準(zhǔn)預(yù)測(cè)，大大提高了安全管理的效率，系統(tǒng)能夠自動(dòng)識(shí)別和預(yù)警潛在的安全隱患，減少了人為因素導(dǎo)致的疏漏和誤判；最后，系統(tǒng)還能夠?yàn)楣芾砣藛T提供數(shù)據(jù)支持，幫助他們制定更加科學(xué)合理的維護(hù)和管理策略。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，系統(tǒng)包括第一風(fēng)險(xiǎn)評(píng)估模塊、第二風(fēng)險(xiǎn)評(píng)估模塊和監(jiān)控模塊；
2.根據(jù)權(quán)利要求1所述的基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，在獲取游藝設(shè)備的數(shù)據(jù)集D之前，系統(tǒng)對(duì)游藝設(shè)備信息預(yù)處理生成數(shù)據(jù)集D：
3.根據(jù)權(quán)利要求2所述的基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，數(shù)據(jù)集D使用結(jié)構(gòu)分的增益來(lái)進(jìn)行樹(shù)的分裂，并通過(guò)擬合殘差的方式形成多棵樹(shù)，對(duì)每棵樹(shù)的每個(gè)葉子節(jié)點(diǎn)使用邏輯回歸，得到N個(gè)邏輯回歸模型具體包括以下過(guò)程：
4.根據(jù)權(quán)利要求3所述的基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，第二風(fēng)險(xiǎn)評(píng)估模塊用于將N個(gè)邏輯回歸模型代入Adaboost算法得到風(fēng)險(xiǎn)評(píng)估結(jié)果具體包括以下過(guò)程：
5.根據(jù)權(quán)利要求3所述的基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，按照Gain最大的方式分裂棵樹(shù)得到N個(gè)邏輯回歸模型具體包括以下過(guò)程：
6.根據(jù)權(quán)利要求1所述的基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，監(jiān)控模塊用于對(duì)風(fēng)險(xiǎn)評(píng)
...【技術(shù)特征摘要】
1.基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，系統(tǒng)包括第一風(fēng)險(xiǎn)評(píng)估模塊、第二風(fēng)險(xiǎn)評(píng)估模塊和監(jiān)控模塊；
2.根據(jù)權(quán)利要求1所述的基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，在獲取游藝設(shè)備的數(shù)據(jù)集d之前，系統(tǒng)對(duì)游藝設(shè)備信息預(yù)處理生成數(shù)據(jù)集d：
3.根據(jù)權(quán)利要求2所述的基于人工智能的游藝設(shè)備安全風(fēng)險(xiǎn)評(píng)估與監(jiān)控系統(tǒng)，其特征在于，數(shù)據(jù)集d使用結(jié)構(gòu)分的增益來(lái)進(jìn)行樹(shù)的分裂，并通過(guò)擬合殘差的方式形成多棵樹(shù)，對(duì)每棵樹(shù)的每個(gè)葉子節(jié)點(diǎn)使用邏輯回歸，得到n個(gè)邏輯回歸模型具體包括以下過(guò)程：
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳玉波，
申請(qǐng)(專利權(quán))人：廣州金老金信息科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。